海面复杂背景下图像增强算法研究

该文提出一种改进的基于去雾理论的夜间低照度图像增强算法。通过对暗通道先验去雾算法在处理夜间复杂灯光图像中存在的伪光晕、亮度不准等问题进行分析,采用一种可以边缘保持的滤波方法进行暗通道求取,并针对图像特点对大气光值进行精确估计,结合采样方法提升处理效率,实现对低照度图像的有效增强。经过实验分析,该算法能有效地防止光晕现象,改善图像的亮度和噪声。

基于凸包和背景先验的图像显著性检测

视觉显著性检测是一种模仿人类视觉系统并从复杂场景中选择感兴趣区域的机制,为使显著性区域检测更加准确,提出了基于凸包和背景先验的图像显著性检测。首先对图像进行超像素分割,利用Harris颜色增强角点算法检测出图像的角点,绘制凸包得到目标的大致范围,并根据中心-周围算法得到凸包中心显著图;其次利用边界信息获取图像边界超像素的背景种子,并计算一个基于背景的显著性图;通过融合以上两种显著图得到最终的显著图。在现有公开的MSRA-1000图像测试数据库中进行测试,本文方法与当前几种经典的显著性检测算法进行了对比实验,实验结果表明,本文方法得到的显著性区域更准确。

基于先验信息的显著性检测算法研究

为了使图像显著区域的检测更加完整,结合前景和背景信息研究了一种基于先验信息的显著性检测算法。首先在超像素的基础上,利用颜色增强Harris角点算法构造凸包,根据凸包内外超像素间的颜色、空间位置差异,得到基于凸包先验的显著图;其次根据图像四周边界信息获取图像边界超像素的背景种子,利用前景与背景超像素的的颜色、空间位置差异,得到基于图像四周背景种子的显著图;最终结果由上述得到的两个显著图线性加权融合得到。结果表明,在可视化结果的完整性及各个评价指标方面优于现有公开的经典算法。可见,本文算法具有一定的可行性。

基于暗原色先验及运动检测的视频去雾方法

为了解决视频实时去雾的问题,提出了一种基于暗原色先验及背景差分运动检测的实时视频去雾方法。获得高清视频的背景,采用背景差法获得前景运动目标,利用多线程及GPU加速技术分别求得背景及前景的透射率,将两者的透射率进行融合,根据融合后的透射率还原出无雾视频。实验结果表明,该方法去雾效果明显,对于高清视频(1280*720像素),可以达到20帧/秒以上的处理速度,满足视频实时处理的要求。

非因果先验信噪比估计的LSA算法改进

对于大多数的语音增强算法,先验信噪比及背景噪音频谱估计的准确与否,对语音增强的效果影响至关重要。为此,在传统MMSE-LSA算法的基础上,提出一种基于非因果先验信噪比估计的LSA改进算法,较好地弥补了传统LSA算法在先验信噪比上估计的不足,同时采用平滑系数动态更新噪音频谱值,使估计值能更好地跟踪噪音的变化。实验结果表明,改进算法能有效减少残余噪音量,提高语音分段信噪比,改善语音质量。

基于新图模型的显著性检测

利用新的图形结构和背景先验提出了一个无监督的自底向上的显著性检测方法。输入图像被表示为一个用超像素块作为节点的无向图。将每个节点覆盖区域的颜色、对比度和纹理信息作为特征向量,结合一种新的图形模型,有效地提出了捕捉局部和全局显著性的线索。为了获得更准确的显著性估计,使用强大的背景测量来优化显著图。在基准数据集上的综合评价表明,本算法优于大部分传统的算法。

结合吸收Markov链和流行排序的显著性区域检测

针对现有显著性检测方法在复杂自然图像下鲁棒性不高的问题,提出了一种结合吸收Markov链和流行排序的显著性检测算法。首先计算灰度图像的熵值得到超像素分割数目,然后分两阶段进行显著性检测。在第1阶段,首先对边缘超像素进行预处理,再使用背景先验进行基于吸收Markov链随机游走的显著性检测;在第2阶段,使用第1阶段计算的区域显著值作为前景查询种子用于流行排序对检测结果进一步优化。在公开数据集ASD和ECSSD上的实验结果表明:与现有显著性检测算法对比,该算法可以准确地突出显著目标,并有效地抑制背景,同时在F-measure等指标上也有很大改善。

融合背景块再选取过程的显著性检测

目的显著性检测算法大多使用背景先验提高算法性能,但传统模型只是简单地将图像四周的边缘区域作为背景区域,导致结果在显著性物体触及到图像边界的情况下产生误检测。为更准确地应用背景先验,提出一种融合背景块再选取过程的显著性检测方法。方法利用背景先验、中心先验和颜色分布特征获得种子向量并构建扩散矩阵,经扩散方法得到初步显著图,并以此为输入再经扩散方法得到二层显著图。依据Fisher准则的思想以二层显著图为基础创建背景块再选取过程,将选取的背景块组成背景向量并构建扩散矩阵,经扩散方法得到背景显著图。将背景显著图与二层显著图进行非线性融合获得最终显著图。结果在5个通用数据集上将本文算法与6种算法进行实验对比。本文算法在MSRA10K(Microsoft Research Asia 10K)数据集上,平均绝对误差(mean absolute error,MAE)取得了最小值,与基于多特征扩散方法的显著性物体检测算法(salient object detection via multi-feature diffusion-based method,LMH)相比,F值提升了0.84%,MAE降低了1.9%;在数据集ECSSD(extended complex scene saliency dataset)上,MAE取得了次优值,F值取得了最优值,与LMH算法相比,F值提升了1.33%;在SED2(segmentation evaluation database 2)数据集上,MAE与F值均取得了次优值,与LMH算法相比,F值提升了0.7%,MAE降低了0.93%。本文算法检测结果在主观对比中均优于LMH算法,表现为检测所得的显著性物体更加完整,置信度更高,在客观对比中,查全率均优于LMH算法。结论提出的显著性检测模型能更好地应用背景先验,使主客观检测结果有更好提升。